基于CULane数据集在windows cpu上跑通车道线检测算法LSTR

基于CULane数据集在windows cpu上跑通车道线检测算法LSTR

上一篇博客写了基于tusimple数据集在windows cpu上跑通LSTR测试的过程：https://blog.csdn.net/xywy2008/article/details/114691969

这篇博客介绍一下基于CULane数据集在windows cpu上跑通LSTR测试。

一、下载LSTR culane分支代码

项目地址：https://github.com/liuruijin17/LSTR/tree/culane

二、准备数据

下载CULane数据集，并解压，文件目录结构如下：

三、修改代码

修改代码，去掉cuda部分

1）修改nnet目录下的py_factory.py

2）修改test目录下的culane.py

3) 修改config目录下的LSTR_CULANE.json文件中的data_dir参数

四、执行测试

执行结果会存放在 ./results/LSTR_CULANE/500000/testing/lane_debug目录下

python test.py LSTR_CULANE --testiter 500000 --modality eval --split testing --debug

我在执行过程中遇到了一些问题，程序退出了，不过不影响，有一半的图片已经检测成功了。

结果如下：

五、基于该预训练模型检测自己的图片

1）在与test.py同级的目录下创建目录images，里面存储待检测图片

2）修改test目录下的images.py文件，去掉cuda部分

3）执行脚本

结果存储在 ./detections目录下

从上图中看出直接检测，效果并不理想，查看github源代码的issues, 参考 https://github.com/liuruijin17/LSTR/issues/31 中原作者的回复，将图片裁剪成和culane数据集中的图片相似。修改test目录下的images.py文件读图片部分的代码，添加裁剪。具体裁剪的尺寸根据自己的图片而定。

再次运行检测命令，结果如下：

从图中可以看出检测效果明显提高了很多。